基于SVM的火災(zāi)警報(bào)系統(tǒng)傳感器組合優(yōu)化研究

朱江 徐夢(mèng)瑤 李達(dá) 宋大成 高福海

摘要：為了提高對(duì)火災(zāi)的監(jiān)控，提高火災(zāi)警報(bào)系統(tǒng)的靈敏性與可靠性，本文將溫度傳感器、煙霧傳感器、一氧化碳傳感器、二氧化碳傳感器和氧氣傳感器的數(shù)據(jù)進(jìn)行處理轉(zhuǎn)換，作為SVM算法的輸入，利用SVM算法的分類泛化能力對(duì)火災(zāi)進(jìn)行精準(zhǔn)的識(shí)別，最后求得最佳性能的探測(cè)器類型的組合。在國(guó)內(nèi)尚未對(duì)各類常用傳感器的組合進(jìn)行評(píng)估的情況下，本文全面而精準(zhǔn)地測(cè)算了上述五類傳感器各種組合在實(shí)驗(yàn)中的優(yōu)劣，并且得出在精確度足夠高的情況下，成本最低最具性價(jià)比的傳感器組合為：溫度傳感器、煙霧傳感器和一氧化碳傳感器。

關(guān)鍵詞： 火災(zāi); 探測(cè)器; 組合; SVM

【Abstract】 In order to improve the monitoring of fire disaster and improve the sensitivity and reliability of fire alarm system， the data of temperature sensor， smoke sensor， carbon monoxide sensor， carbon dioxide sensor and oxygen sensor are processed and converted， which is used as input data of SVM algorithm. The classification generalization ability of the SVM algorithm accurately identifies the fire disaster， and obtains the combination of the detector types with the best performance based on the experimental results. This paper accurately measures the advantages and disadvantages of the various combinations of the above five types of sensors in the experiment， and finds that in the case of high accuracy， the lowest and most cost-effective sensor combination is： temperature sensor， smoke sensor and carbon monoxide sensor.

【Key words】 ?fire disaster; ?detector; ?combination; SVM

0 引 言

火災(zāi)是人類生活中造成財(cái)產(chǎn)損失的嚴(yán)重事故之一，如何有效地監(jiān)控火災(zāi)并且及時(shí)地遏制火災(zāi)的蔓延擴(kuò)大是亟需人們正視并著重解決的根本性問題。目前，常見的火災(zāi)警報(bào)系統(tǒng)存在以下的問題。一方面，現(xiàn)如今常見的單種火災(zāi)探測(cè)傳感器只能感應(yīng)和描述火災(zāi)發(fā)展過程中的某一方面特定的信息，如氣體式火災(zāi)報(bào)警器、溫感式火災(zāi)報(bào)警器，因此會(huì)導(dǎo)致漏報(bào)、誤報(bào)率高等問題[1];另一方面，個(gè)別采用多傳感器的火災(zāi)警報(bào)系統(tǒng)直接采用大量的原始數(shù)據(jù)沒有對(duì)火災(zāi)進(jìn)行總體評(píng)估，并且會(huì)產(chǎn)生大量的冗余信息造成信息過載。因此，在現(xiàn)有的多傳感器火災(zāi)探測(cè)技術(shù)的基礎(chǔ)上，本文對(duì)于多傳感器的數(shù)量與種類的組合進(jìn)行了重點(diǎn)的研究。

迄今為止，已有眾多學(xué)者對(duì)此進(jìn)行了大量研究。王學(xué)貴[2]測(cè)試了3種神經(jīng)網(wǎng)絡(luò)模型在多傳感器融合下火災(zāi)探測(cè)的錯(cuò)誤率、靈敏度等性能，結(jié)果表明PNN神經(jīng)網(wǎng)絡(luò)有著較高的分類性能。楊娜娟等人[3]提出了一種基于支持向量機(jī)的圖像型火災(zāi)探測(cè)算法， 結(jié)果表明支持向量機(jī)克服了神經(jīng)網(wǎng)絡(luò)容易過學(xué)習(xí)、容易陷入局部極小點(diǎn)等不足， 支持向量機(jī)的圖像型火災(zāi)探測(cè)算法識(shí)別準(zhǔn)確率高，對(duì)于小樣本、高維數(shù)、非線性的分類問題效果顯著。張建化等人[4]將溫度傳感器、煙霧傳感器、二氧化碳傳感器和一氧化碳傳感器探測(cè)到的數(shù)據(jù)作為多分類SVM的輸入，結(jié)果表明SVM有很強(qiáng)的抗干擾能力，能夠精確地識(shí)別火災(zāi)。孫福志等人[5]提出了一種基于粗糙集—支持向量機(jī)的識(shí)別算法，將各類傳感器數(shù)據(jù)精簡(jiǎn)，除去冗余信息，利用SVM泛化和非線性逼近能力準(zhǔn)確識(shí)別火災(zāi)情況。結(jié)果表明該算法對(duì)火災(zāi)識(shí)別精度高、速度快、抗擾性好、非線性能力強(qiáng)，且適用范圍廣。

以上文獻(xiàn)均證明了SVM算法在火災(zāi)識(shí)別領(lǐng)域具有很高的實(shí)用價(jià)值，在該領(lǐng)域有著識(shí)別速度快、抗干擾性好的優(yōu)點(diǎn)，針對(duì)火災(zāi)識(shí)別這類小樣本、非線性問題效果顯著。

綜上可知，這些文獻(xiàn)均是以識(shí)別的精準(zhǔn)性為目的，但在實(shí)際應(yīng)用中各類傳感器組合的成本也是必須納入考量的，因此，本文的重點(diǎn)則旨在探究常用的幾類傳感器各種組合的優(yōu)劣，并且在精確率足夠高的情況下按照成本將各類傳感器組合進(jìn)行排序，在理論上完善這一領(lǐng)域的研究，最終在實(shí)際中準(zhǔn)確測(cè)量出在精準(zhǔn)率足夠高的情況下，其成本最低的傳感器組合。

支持向量機(jī)（Support Vector Machine，SVM）由于在解決小樣本、非線性、高維數(shù)及局部極小點(diǎn)等實(shí)際問題中表現(xiàn)出很多特有的優(yōu)勢(shì)，因此本文采用SVM來處理多傳感器采集的信號(hào)[6]，通過選擇核函數(shù)，將各傳感器輸出的信息作為輸入，通過SVM進(jìn)行火災(zāi)信號(hào)處理識(shí)別，報(bào)警裝置根據(jù)SVM識(shí)別的結(jié)果來判斷是否啟動(dòng)火災(zāi)警報(bào)器和滅火裝置。

1 多傳感器火災(zāi)警報(bào)系統(tǒng)設(shè)計(jì)

1.1 火災(zāi)探測(cè)的信息分類及選擇

在火災(zāi)過程中，燃燒物在燃燒過程中會(huì)產(chǎn)生眾多的燃燒物質(zhì)，并且會(huì)伴隨著火、光以及溫度的升高。因此在火災(zāi)探測(cè)中可以利用的火災(zāi)信息很多，通常根據(jù)場(chǎng)所環(huán)境、結(jié)構(gòu)以及預(yù)期火災(zāi)的類型的不同選取合適的探測(cè)器[7]。對(duì)此擬做闡釋分述如下。

（1）氣態(tài)燃燒物。在火災(zāi)時(shí)，物質(zhì)的燃燒會(huì)大量地產(chǎn)生CO和CO2這兩種氣體，使得這兩種氣體的含量比在正常環(huán)境下高出許多。因此，可以利用這兩種氣體作為檢驗(yàn)火災(zāi)發(fā)生的參考，但在較為封閉的空間內(nèi)，人類的呼吸也會(huì)導(dǎo)致CO2含量的升高。

（2）煙霧?；馂?zāi)過程中會(huì)產(chǎn)生許多固態(tài)高溫物體、也就是煙霧。其中，主要有未燃燒的雜質(zhì)以及可燃物裂解而成的微粒物質(zhì)。一般在火災(zāi)的早期會(huì)產(chǎn)生大量煙霧，因此通常情況下，煙霧也可作為火災(zāi)探測(cè)的重要參考。

（3）溫度。火災(zāi)過程中，可燃物的燃燒會(huì)釋放大量的熱量，使得周圍環(huán)境溫度升高。特別在明火環(huán)境中，溫度會(huì)出現(xiàn)非常明顯的升高現(xiàn)象。

（4）熱輻射?；馂?zāi)中，可燃物的燃燒會(huì)產(chǎn)生火焰，火焰是反應(yīng)的氣體及固體的混合物，會(huì)釋放可見光、紅外線、甚至是紫外線，其發(fā)射光譜依燃燒物質(zhì)的化學(xué)成分及中間產(chǎn)物而定。

多傳感器火災(zāi)探測(cè)的主要方面是火災(zāi)探測(cè)的特征數(shù)量和特征類型的組合。目前，溫度、煙霧、氣體和圖像探測(cè)是最常用的火災(zāi)探測(cè)探測(cè)特征。其中，圖像火災(zāi)特征的探測(cè)受建筑結(jié)構(gòu)的影響很大，例如房間結(jié)構(gòu)和柱子的遮擋會(huì)給圖像探測(cè)造成困難;并且，成本和體積也是制約圖像探測(cè)的重要因素，因此，在復(fù)雜結(jié)構(gòu)的建筑中，圖像探測(cè)的應(yīng)用非常受限。

在探測(cè)器數(shù)量方面，隨著火災(zāi)探測(cè)器種類的增加，探測(cè)系統(tǒng)經(jīng)濟(jì)效益會(huì)極大地降低，當(dāng)探測(cè)器種類超過6個(gè)，在實(shí)際情況中便會(huì)由于成本問題而不具備實(shí)用價(jià)值;然而如果探測(cè)器種類為2個(gè)，在實(shí)際生活中往往會(huì)出現(xiàn)一個(gè)探測(cè)器損壞或是發(fā)生零點(diǎn)漂移的問題，即2個(gè)探測(cè)器得出的結(jié)果出現(xiàn)矛盾，不能夠確定真實(shí)的現(xiàn)場(chǎng)情況[8];因此，本文將考慮傳感器由3～5種的組合狀況。

1.2 火災(zāi)警報(bào)系統(tǒng)設(shè)計(jì)

火災(zāi)探測(cè)器探測(cè)特征量的選擇關(guān)系到火災(zāi)探測(cè)的靈敏性與抗干擾性，因此探測(cè)特征量的選擇至關(guān)重要。綜合考慮火災(zāi)探測(cè)的靈敏度與實(shí)驗(yàn)數(shù)據(jù)的可獲得性，本文選擇了火災(zāi)發(fā)生的溫度、煙霧質(zhì)量、CO濃度、CO2濃度及O2濃度作為火災(zāi)警報(bào)系統(tǒng)同時(shí)測(cè)量的參數(shù)[9]。

基于SVM的多傳感器融合的火災(zāi)警報(bào)系統(tǒng)模型如圖1所示。首先，多傳感器對(duì)環(huán)境實(shí)時(shí)監(jiān)控，對(duì)環(huán)境中各個(gè)特征信息進(jìn)行收集;然后，將收集的數(shù)據(jù)經(jīng)過預(yù)處理與轉(zhuǎn)換，再進(jìn)行歸一化，成為SVM能夠識(shí)別并直接處理的數(shù)據(jù);最后，通過SVM的處理與判別對(duì)火災(zāi)的是否發(fā)生得出預(yù)估的結(jié)果，終端的警報(bào)器再根據(jù)結(jié)果判斷是否發(fā)出警報(bào)。

2 SVM在火災(zāi)警報(bào)中的應(yīng)用

2.1 SVM的原理

SVM是一種在高維或無限維空間中構(gòu)造超平面或超平面集合，以實(shí)現(xiàn)分類、回歸或其他問題的監(jiān)督式學(xué)習(xí)模型。該模型可將高維空間的決策問題映射成低維空間的線性分類問題，并通過求解一個(gè)凸二次規(guī)劃問題實(shí)現(xiàn)類別間隔最大化，有泛化能力強(qiáng)和適用于小樣本分析的特點(diǎn)，是目前最常用且效果最好的分類器之一。

從試驗(yàn)結(jié)果分析，溫度、煙霧、CO濃度、CO2濃度的組合與溫度、煙霧、CO濃度的組合正確率最高，測(cè)試組所有的樣本全部成功預(yù)測(cè)，獲得所有組合中的最佳性能。溫度、煙霧、CO濃度、CO2濃度及O2濃度的組合正確率為96%，可能因?yàn)?種氣體濃度的測(cè)量造成了數(shù)據(jù)上的冗余，在無火情狀態(tài)與陰燃狀態(tài)之間的分類情況稍有誤差。表2～表3中各類別組合中O2濃度的效果也表現(xiàn)得較為良好，可能是源于實(shí)驗(yàn)的地點(diǎn)位于室內(nèi)，最后煙霧、CO濃度、CO2濃度的組合正確率最低。

從總體結(jié)果看溫度、煙霧、CO濃度、CO2濃度的組合以及溫度、煙霧、CO濃度的組合所預(yù)測(cè)的正確率很高，因此若要達(dá)到較高的精準(zhǔn)率，所選組合至少包含溫度、煙霧、CO濃度，同時(shí)從結(jié)果上也驗(yàn)證了SVM算法的優(yōu)異性，證明其具有較高的靈敏性，并且進(jìn)一步證實(shí)了運(yùn)用SVM進(jìn)行火災(zāi)監(jiān)控的可行性。

本文以多傳感器融合作為基礎(chǔ)，以SVM算法為核心，探究五類傳感器的各種組合的優(yōu)劣，并且在精準(zhǔn)性為前提的情況下，測(cè)得以溫度傳感器、煙霧傳感器以及CO傳感器的組合具有最高的性價(jià)比，進(jìn)一步完善了這一領(lǐng)域的研究。為各類傳感器的組合提供了性能以及性價(jià)比的參考，既保證了相當(dāng)可靠的精確性與靈敏性，也考慮了實(shí)際使用中的成本問題。并且從側(cè)面也測(cè)算出各類傳感器的性能優(yōu)劣，在較為封閉的場(chǎng)所中，氧氣傳感器具有相當(dāng)好的性能。

4 結(jié)束語

火災(zāi)探測(cè)是一種非結(jié)構(gòu)問題，實(shí)際問題非常復(fù)雜，很難用數(shù)學(xué)模型去精確描述。本文通過對(duì)多種探測(cè)器的類型及數(shù)量的調(diào)整，發(fā)現(xiàn)溫度、煙霧、CO濃度、CO2濃度和溫度、煙霧、CO濃度組合具有比較優(yōu)異的探測(cè)性能?；谶@兩種組合的SVM算法具有很高的準(zhǔn)確率，較其他的單一傳感器火災(zāi)警報(bào)系統(tǒng)或是其他多傳感器火災(zāi)警報(bào)系統(tǒng)有著更高的效率，能夠更為精準(zhǔn)地判斷識(shí)別火情，提高火災(zāi)系統(tǒng)的監(jiān)控能力。分析后若從實(shí)際情況來看，在正確率得到保證的情況下，使用溫度、煙霧、CO濃度組合具有最高性價(jià)比。

參考文獻(xiàn)

[1] HALL D L， LLINAS J. An introduction multisensory data fusion[J]. Proceedings of The IEEE， 1997，85（1）：6.

[2]王學(xué)貴. 基于多傳感器信息融合的火災(zāi)危險(xiǎn)度分布確定系統(tǒng)研究[D]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2013.

[3]楊娜娟，王慧琴，馬宗方. 基于支持向量機(jī)的圖像型火災(zāi)探測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用，2010，30（4）：1129.

[4]張建化，萬程，李萬里，等. 基于SVM的多傳感器火災(zāi)報(bào)警系統(tǒng)[J]. 徐州工程學(xué)院學(xué)報(bào)（自然科學(xué)版），2012，27（3）：64.

[5]孫福志，于軍琪，楊柳. 火災(zāi)識(shí)別中RS-SVM模型的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（3）：198.

[6]趙云濤，王佳，周小平. 基于支持向量機(jī)的公共建筑火災(zāi)風(fēng)險(xiǎn)評(píng)估[J]. 建筑科學(xué)，2015，31（3）：98.

[7]何南南. 多傳感器信息融合技術(shù)在火災(zāi)探測(cè)中的應(yīng)用[D]. 西安：長(zhǎng)安大學(xué)，2012.

[8]李正周，方朝陽，顧園山，等. 基于無線多傳感器信息融合的火災(zāi)檢測(cè)系統(tǒng)[J]. 數(shù)據(jù)采集與處理，2014，29（5）：694.

[9]TSAI C F， YOUNG M S. Measurement system using ultraviolet and multiband infrared technology for identifying fire behavior[J]. Review of Scientific Instruments， 2006，77（1）：014901.

[10]李侃，黃文雄，黃忠華. 基于支持向量機(jī)的多傳感器探測(cè)目標(biāo)分類方法[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版） ，2013，47（1）：15.

[11]BUKOWSKI R W， PEACOCK R D，AVERILL J D， et al. Performance of home smoke alarms analysis of the response of several available technologies in residential fire settings[R]. Gaithersburg， MD： NIST，2007.